在Matlab中使用errorbar函数绘制置信区间遇技术问题

嘿，我来帮你搞定用errorbar绘制蒙特卡洛置信区间的问题！先看你的代码，M的循环没写完，我先帮你补全逻辑，再一步步教你怎么实现置信区间的可视化。

首先我们要先算出每个样本量M对应的期权价格估计值，以及用来计算置信区间的标准误：

clear all; close all; 
% CH15 Program for Chapter 15 
% Monte Carlo for a European call 
randn('state',100)  % 固定随机种子，保证结果可复现

%%%%%%%%%%%%%%%%% Problem and method parameters %%%%%%%%%%%%%%% 
S = 10; E = 9; sigma = 0.1; r = 0.06; T = 1; Dt = 1e-3; N = T/Dt; 
M_list = [2^5,2^6,2^7,2^8,2^9,2^10,2^11,2^12,2^13,2^14];  % 补全完整的样本量列表
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 

% 存储每个样本量对应的期权估计值和标准误
call_estimates = zeros(size(M_list));
call_std_err = zeros(size(M_list));

for idx = 1:length(M_list)
    M = M_list(idx);
    % 直接用对数正态分布计算最终股价（比分步欧拉法更高效）
    S_final = S * exp( (r - 0.5*sigma^2)*T + sigma*sqrt(T)*randn(M,1) );
    % 计算期权收益
    payoff = max(S_final - E, 0);
    % 折现后的期权价格估计
    call_estimates(idx) = exp(-r*T) * mean(payoff);
    % 计算标准误（用于置信区间）：折现后的收益标准差除以样本量的平方根
    call_std_err(idx) = exp(-r*T) * std(payoff) / sqrt(M);
end

有了估计值和标准误，我们就可以用errorbar画出95%置信区间（对应1.96倍标准误），同时加入Black-Scholes解析解作为参考：

figure('Color','w');
% 绘制误差棒：x轴用log2(M)让样本量分布更均匀
errorbar(log2(M_list), call_estimates, 1.96*call_std_err, 'o-', ...
    'LineWidth',1.2, 'MarkerSize',6);

% 计算Black-Scholes解析解作为对比基准
d1 = (log(S/E) + (r + 0.5*sigma^2)*T)/(sigma*sqrt(T));
d2 = d1 - sigma*sqrt(T);
bs_price = S*normcdf(d1) - E*exp(-r*T)*normcdf(d2);

hold on;
% 绘制解析解的水平参考线
plot(log2(M_list), ones(size(M_list))*bs_price, '--r', 'LineWidth',1.5);

% 美化图表
xlabel('样本量M（以2为底的对数）');
ylabel('欧式看涨期权价格估计');
legend('蒙特卡洛估计（95%置信区间）','Black-Scholes解析解','Location','southeast');
title('蒙特卡洛估计随样本量的收敛趋势及置信区间');
grid on;

• 置信区间逻辑：95%置信区间是估计值 ± 1.96×标准误，这里的标准误考虑了折现因子，因为我们的期权收益是在T时刻的，需要折现到当前时刻。
• 效率优化：直接用对数正态分布计算最终股价，比分步的欧拉法更高效且准确，适合欧式期权的蒙特卡洛计算。
• 可视化技巧：用log2(M_list)作为x轴，因为你的样本量是2的幂次，对数轴能让数据分布更均匀，更直观看到随着样本量增大，置信区间逐渐收窄并趋近于解析解的过程。

内容的提问来源于stack exchange，提问作者Axion004